长安大学录取分数线,赶快造句,sehudie
摘 要：文章对智慧物流和数据挖掘的研究动向进行了文献收集整理，为后续研究奠定了理论基础。论文分析了竞争态势和“互联网+”机遇倒逼物流企业从数据中探索机遇的成因，在此基础上，文章从以物流服务主题为中心，建立高质量的数据可用性集合和利用数据挖掘探寻智慧物流差异化竞争要素—细分市场入手，研究了物流企业谋求差异化服务创新的方法。
关键词：智慧物流；数据挖掘；差异化服务
中图分类号：F250 文献标识码：A
Abstract： This article collects the research trends of smart logistics and data mining， and provides the theoretical basis for further research. Based on big data research field of vision， it analyzes the reason of logistics' enterprises exploring opportunity form the data under the pressure of competitive situation and“internet+”opportunity. The article studies the differentiation service method of logistics' enterprises from the establishment of high quality data availability set taking the theme of logistics service as the center and the competitive elements of smart logistics differentiation service.
Key words： smart logistics； data mining； differentiation service
2009年以来，智慧物流理念的提出，给物流业向“智慧化”转型注入了一剂强心针。各种冠以智慧名目的软件和解决方案不胜其数，对于物流企业而言，在享受智慧物流理念的同时，又深深陷入技术应用和业务发展的困局，即采用智慧物流技术之后，业务增长有限。与此对应的是，企业数据量大幅递增，带来了企业IT架构的不稳定。“互联网+”、大数据也在深深地刺激着物流企业的经营神经，如何跟上时代潮流，借助先进理念对企业业务进行升级转型成为了一个迫切需要研究的命题。
1 相关文献研究
1.1 智慧物流及研究动向
从现有文献来看，国内智慧物流理念从提出到引发激烈研讨，经历了以下几个阶段。2009年以前，相关文献使用物流智慧，或者将物流表述为一种智慧，对其展开了相应的研讨。宋则（2007）认为现代物流是一种人类协同合作“本能的智慧”[1]。2009～2013年，该阶段研究强调信息技术在物流行业的推广应用，将智慧物流作为物流信息化发展的较高阶段展开论述。王继祥（2010）指出物联网发展必将推动智慧物流的变革[2]。2014年之后，学者们结合智慧的内涵和外延，从管理角度对智慧物流进行了更加深入的研究。王之泰（2014）将智慧物流定义为是将互联网与新一代信息技术和现代管理应用于物流业，实现物流的自动化、可视化、可控化、智能化、信息化、网络化的创新形态[3]。
以“smart logistics”和“wisdom logistics”为关键词，检索google学术、Emerald数据库可以发现，2006年以前，国外学者往往以物流某环节的智慧（smart）为关键词展开论述，在研究时遵循着IT技术、RFID、系统软件开发的技术路线，同时沿着供应链管理的视角对物流相关环节进行研究。Peter Vervest， Eric van Heck， Kenneth Preiss， Louis-Francois Pau（2005）[4]认为智慧商业网络的实施需要对物流进行更加全面的改造，从而使业务流程更加模块化和动态化，以获得更为灵活的采购性能和资产效率。2006～2009年，国外学者围绕着物流具体功能环节，结合RFID、智能电话等信息技术的应用，进行了相应的研究。Veloso M， Bentos C， Pereira F C（2009）[5]等结合智慧运输系统，研究了感知技术和感知网络对物流的影响，并且论证了使用相关技术应用会对环境带来积极的变化等。2010年以来，国外学者逐渐将研究视野转向了行业应用、网络构建、大数据、信息管理体系、互联网融合、大数据等层面，逐步从原来的微观层面走向了中观，乃至宏观领域。Gubbi J， Buyya R， Marusic S等人（2013）[6]指出智能交通和智慧物流应该分别隔离成一个单独的领域，原因在于数据共享和IOT支柱环节实施的性质需要。
综合上述国内外参考文献可以看出，国内外学者的研究路线基本遵循着语义联想—技术应用—管理拓展的思路，从智慧源头开始，到相关技术应用于物流环节，再围绕RFID典型技术与物流的关系，然后再到产业融合等这样一个研究链条。略微有些差异的地方在于，国内学者对于互联网+、大数据和物流的研究兴趣要高于国外学者。
1.2 数据挖掘及研究动向
数据挖掘，又称数据库中的知识发现，是从大量的、不完整的、有噪声的、模糊的、随机的大型数据中提取隐含其中的、人们事先未知的、具有潜在价值的信息和知识的过程。按照数据结构进行组织、存储和管理数据的数据库技术，在过去60多年来产生了巨大的科技影响，与各行各业进行了有效的融合。泛在知识环境理念提出之前，数据挖掘的研究大多停留在基于结构化数据完成相关知识的描述和预测研究上。马志锋，刑汉承，郑晓妹（2001）基于Rough集的时间序列数据的挖掘策略，讨论了时间序列数据中的时序与非时序信息的获取问题[7]。Agrawal R（1993）等人提出了增量式更新算法[8]，Cheung DW（1995）等人提出了并行发现算法[9]。在数据挖掘方法层面，进行了关联规则挖掘、多层次数据汇总归纳、决策树、神经网络、可视化技术等模式、算法的研究。郑建国，刘芳，焦李成（2002）在分析人工神经网络基础上，将子波与已有的神经网络模型结合，提出了基于自适应子波神经网络的数据挖掘方法[10]。Furuta K（1990）提出了剪辑近邻法[11]。 伴随着大规模数据的增长，人类社会已经进入大数据时代，与传统的数据集合相比，大数据通常包含大量的非结构化数据，且大数据需要更多的实时分析。2011年全球数据量为1.82ZB，据估计2020年全球大数据量将达到40ZB。现有数据库架构在ZB数据规模量级下呈现出一种无能为力的状态。围绕大数据带来的数据量级规模的变化，国内外专家学者对数据挖掘的研究焦点出现两个支分支，其一是如何应对大数据挑战带来的数据类型多样，要求及时响应和数据的不确定层面。余伟等（2015）针对web中不同数据源之间数据不一致的问题，基Hadoop MapReduce架构提出了相应的自动发现算法[12]。Rakthanmanon T， Campana B， Mueen A， et al（2013）[13]提出了DTW（Dynamic Time Warping）法来研究大数据集下的时间序列数据挖掘算法，通过实证验证了可行性。其二，围绕数据量集增大，将数据之间的因果关系转向相关关系，进行相关业务模式、应用和策略等的洞察力研究。曾晖（2014）提出了构建大数据挖掘的管理层次和制度结构及相关解决方法，基于房地产工程项目进行了应用研究[14]。
综合上述文献可以看出，从技术路线上来看，数据挖掘围绕着数据规模量级的问题，遵循着解决数据本身的数据结构异同挖掘，再到解决数据挖掘的实时性技术路线。从商业应用来看，研究领域围绕数据规模问题，从原来的因果关系转向到相关关系，逐步将技术与行业应用进行融合的研究路线。
2 竞争态势和“互联网+”机遇倒逼物流企业从数据中探索机遇
智慧物流更强调物流供应链的匹配效率，进而实现供应链整体运作最优。匹配意味着双向配对，无论成员之间的物流服务水平高低与否，在时空效率的约束下，成员的物流服务能力信息必须充分展示在供应链合作伙伴之前，才能实现其与物流供应链的快速匹配。
对于物流企业而言，在一定的时空约束下，物流服务能力是其从事某种物流作业的内在能力表述。物流服务能力会随着业务的熟练程度增加而提升其水平，同样也会随着业务萎缩而固步自封，或者说降低其水平。
提供同质化服务的物流企业面临的竞争环境越来越恶劣，越来越多的物流企业希望摆脱这种尴尬局面。长尾理论告诉我们，这些以往忽视的长尾东西恰恰是我们后续进行差异化经营的变局法宝。企业必须充分重视数据挖掘的细分市场变量集，依靠这些充分挖掘出来的市场细分变量集，我们可以将市场进行无限细分，进而进行有效的目标市场定位，然后根据这些细分市场表现出来的特征，改善我们的物流服务能力，从而形成差异化服务。考虑到物流服务的时空限制，数据挖掘必须重视线上和线下的数据源。对于线下实体运作过程中产生的大量与业务相关联的数据，必须充分纳入NOSQL数据库中进行存储。对于线上数据信息，必须设定相关的情感主题，以充分挖掘物流服务过程中隐藏在不同数据结构类型中的特征信息，借助相关性的数据挖掘技术，对线上和线下两种数据进行细分市场变量集合挖掘，找出相关的细分市场变量结合，从而完成后续的细分市场细分工作。
“互联网+”时代激发越来越多的物流企业将经营目光转向互联网领域，目标是获取更多的经营机会。具体作业时，往往采用“人—机”交互模式进行网上交易信息的检索和分析，并未充分发挥智慧物流的优势，通过机器的自动学习方法来获取和挖掘交易信息。对于网络上发布的数据信息而言，分为Deep-web和surface-web两种模式，对应的数据结构也分为结构化数据、半结构化数据和非结构化数据形态。对于互联网而言，surface-web模式带来的数据呈现着爆炸性增长的状态，而这些数据背后隐藏的信息给相关经营者提供了大量的商机，只不过这些数据往往以文本、视频、图片等半结构化和非结构化的数据结构存在着。物流企业可以通过提炼自身物流服务能力作为KEY-VALUE，结合能够充分挖掘不同数据结构类型的智慧物流数据挖掘算法，在互联网上进行智慧性的数据挖掘，才能在有限的时间约束范围内，挖掘出匹配自身物流服务能力的物流业务集合。经营者所要做的是，根据自己的服务成本和盈利目标进行二次筛选，形成满足客户需求的信息，主动信息出击，快速完成与相应供应链的对接服务。
3 借用数据挖掘，谋求智慧物流差异化服务创新发展
3.1 以物流服务主题为中心，建立高质量的数据可用性集合
大数据时代的智慧物流运作更强调将数据作为企业的宝贵资源来看待，通过数据挖掘探索出适合自身良性发展的方法和路径，这就决定了数据可用性成为了智慧物流数据挖掘和物流服务有机互动的基础。
随着时间延续，智慧物流运作中的数据量级必然会大幅递增。Web空间和物理空间（如物联网）上的数据流，线下具体作业过程中的数据流等，呈现出不能完全满足数据可用性的特性。一旦数据可用性不足，则数据挖掘结果必然会弱化决策效果。
对于物流企业而言，考虑到目前大数据挖掘技术不成熟的现实约束，必须先将数据可用性这一基础工作落实，只有这样才能随着大数据挖掘技术的突破应用获得实时效益。数据确认工作十分困难，考虑到具体经营条件约束，物流企业可以采取如下路径来完善数据可用性工作。首先，分解数据可用性的五个性质，围绕服务能力，赋予不同的权重，设定相关的弱可用数据指标体系，收集整理弱可用数据集合。其次，以服务相关性为主题，将Web空间上的半结构化和非结构化数据作为收集、整理和存储的重心，为后续进行深入数据挖掘奠定基础。第三，将物理世界中的数据和服务作业现场的数据作为辅助支撑，按照数据可用性的完整指标，收集整理出高质量的数据可用性集合。此路径是一个循环往复的过程，会随着一项物流服务主题的结束，重新开始下一个循环。
3.2 利用数据挖掘，探寻智慧物流差异化竞争要素—细分市场
物流企业的经营思路着重点在于：首先要解决业务有无的问题，其次是开拓对自身有利的业务。对于技术应用而言，同样遵循这样一个规则，那就是无论技术先进与否，如果不能解决上述两个问题，企业也会弃之不用，遵循业务发展路径探索智慧物流数据挖掘和物流服务能力的协同路径会更具研究意义。 “互联网+”时代给物流企业带来了大量的业务机会，物流企业需要借助数据挖掘技术，突破时空限制，充分挖掘不同异构网络平台提供的各种各样的商机，寻求适合自己链入的供应链，完成业务增长任务，这是一种被动性的发展模式。
在被动性发展模式下，如何借助智慧物流数据挖掘，在时间变量约束下，快速找到适合自身物流服务能力的业务显得尤为重要。在进行智慧物流数据挖掘时，需要借助大数据已有的Hadoop MapReduce架构，完成智慧物流数据挖掘的快捷性布局；其次，以业务相关性为原则，基于Item-Based数据挖掘技术完善算法。即将现有物流服务能力进行提炼，转化成User特征值，将原有服务成功的物流业务和网上发现的离散物流业务转换成ITEM数据集，提炼关键词。第三，推测和演化ITEM和ITEM的相似度，构建USER-ITEM矩阵完成后续的智慧物流数据挖掘。在进行数据挖掘和物流服务能力匹配的过程中，不断训练和演化算法，以发掘商机为达成目标，可以有效地协助物流企业解决从互联网上发掘业务有无的问题，尽管这种路径有一定的意义，但是并不能改善物流企业需要谋求的差异化竞争态势。
其次，物流企业必须坚持主动性的发展模式，即挖掘出满意的细分市场之后，必须根据细分市场的需求特征来重构自身的物流服务能力，使供给与需求达到契合，不断地实践和磨练自己的物流服务能力，在细分市场形成竞争优势，从而形成差异性竞争优势。
构建足够大细分市场的前提条件在于能够获取独立于竞争对手所知晓的市场细分变量，这些市场细分变量的特征值往往隐藏在不同异构网络平台上的非结构化数据中，充分挖掘细分变量数据成为主动发展模式需要破解的难题。在此路径下，需要采用CONTENT-BASED和ITEM-BASED数据挖掘相结合的方法进行。首先，根据CONTENT-BASED数据挖掘算法，加入业务情感特征向量集，重构CONTENT-BASED的智慧物流数据挖掘算法，对互联网上的业务进行挖掘，找出业务集（无论是否被竞争对手完成）。其次，结合ITEM-BASED算法，对物流服务能力进行重构，依据时间快捷性和相关性原则，探寻适合的业务集。第三，设定时间段，对服务过的业务结合线下数据进行细分市场变量的可用性数据集进行推敲，将其从弱可用性转化为高质量的可用性数据集。第四，采用智慧物流提供的可视化技术对市场进行细分，探寻出满意的细分市场，根据细分市场呈现的需求特征重构自身物流服务能力，进而进入主动发展模式。
对于市场而言，并不是一成不变的，互联网时代随着信息日益公开透明，市场的变化速率将会比以往更迅速。对于积极进取的物流企业而言，需要不断地跟踪和监控已有市场，积极开拓细分市场，从而形成差异化竞争优势。
4 总 结
大数据时代已经悄然来临，数据将成为企业发展中重要的资源，充分借助互联网和大数据的技术优势，不断探寻新的商业模式，可以帮助企业尽快摆脱恶性竞争，形成差异化竞争优势。本文在收集整理智慧物流和数据挖掘相关文献的基础上，研究了竞争态势和“互联网+”机遇倒逼物流企业从数据中探索机遇的成因。接下来，论文从基于物流服务主题为中心，建立数据可用性集合，再到利用数据挖掘探寻智慧物流差异化竞争要素—细分市场方面进行了研究，并提出了部分方法。
参考文献：
[1] 宋则. “物流”其实是一种智慧[N]. 现代物流报，2007
-05-01（002）.
[2] 王继祥. 物联网发展推动中国智慧物流变革[J]. 物流技术与应用，2010（6）：80-83.
[3] 王之泰. 城镇化需要“智慧物流”[J]. 中国流通经济，2014，28（3）：4-8.
[4] Peter Vervest， Eric van Heck， Kenneth Preiss. Louis-Francois Pau： Smart Business Networks[M]. Springer， 2005.
[5] Veloso M， Bentos C， Pereira F C. Multi-Sensor Data Fusion on Intelligent Transport Systems[D]. University of Coimbra， 2009.
[6] Gubbi J， Buyya R， Marusic S， et al. Internet of Things（IoT）： A vision， architectural elements， and future directions[J]. Future Generation Computer Systems， 2013，29（7）：1645-1660.
[7] 马志锋，刑汉承，郑晓妹. 一种基于Rough集的时间序列数据挖掘策略[J]. 系统工程理论与实践，2001（12）：22.
[8] Agrawal R， et al. Mining association rules between sets Items in large Database[J]. Acm Sigmod Record， 1993（2）：207-216.
[9] Cheung D W， et al. Maintenance of Discovered Association Rules in Large Database： An Incremental Updating Technique[D]. Hong Kong： University of Hong Kong， 1995.
[10] 郑建国，刘芳，焦李成. 自适应子波神经网络数据挖掘方法[J]. 西安电子科技大学学报（自然科学版），2002，29（4）：474-476.
[11] Furuta K. Sliding mode control of a discrete systems[J]. Syst Contr Lett， 1990，14（2）：145-151.
[12] 余伟，李石君，杨莎，等. Web大数据环境下的不一致跨源数据发现[J]. 计算机研究与发展，2015，52（2）：295-306.
[13] Rakthanmanon T， Campana B， Mueen A， et al. Addressing big data time series： Mining trillions of time series subsequences under dynamic time warping[J]. ACM Transactions on Knowledge Discovery from Data（TKDD）， 2013，7（3）：10.
[14] 曾晖. 大数据挖掘在工程管理项目中的应用[J]. 科技进步与对策，2014（11）：46-48.